用于脑网络重组预测的多模态图神经网络
机器学习
2026-02-11 v2
摘要
理解脑网络的动态重组对于预测认知衰退、神经病理进展以及个体临床结果的差异性至关重要。本工作提出了一种多模态图神经网络框架，将结构MRI、扩散张量成像和功能MRI整合以建模脑网络的时空重组。脑区域作为节点，结构和功能连接作为边，形成每个受试者的纵向脑图。通过嵌入于图基递归网络中的分数随机微分算子捕获时间演变，能够对网络动态中的长期依赖和随机波动进行建模。注意力机制融合多模态信息并生成可解释的生物标志物，包括网络能量熵、图曲率、分数记忆指数以及模态特定注意力得分。这些生物标志物被组合为一个综合性的预后指数，用于量化个体网络不稳定性或认知衰退的风险。在纵向神经影像数据集上的实验表明，既实现了预测准确性又具备可解释性。结果凸显了从现有影像数据中无需新数据收集即可推导临床有意义生物标志物的潜力，基于数学严谨的多模态图方法。
引用
@article{arxiv.2512.06303,
title = {Multimodal Graph Neural Networks for Prognostic Modeling of Brain Network Reorganization},
author = {Preksha Girish and Rachana Mysore and Kiran K. N. and Hiranmayee R. and Shipra Prashanth and Shrey Kumar},
journal= {arXiv preprint arXiv:2512.06303},
year = {2026}
}
备注
Fundamental methodological error invalidating results